Adaptation sans Apprentissage des Modèles Neuronaux pour la Recherche d'Information

Adaptation without Learning of Neural Models for Information Retrieval

• Auteur / Autrice : Mathias Vast
• Direction : Benjamin Piwowarski
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/03/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut des Systèmes Intelligents et de Robotique

Mots clés

Mots clés libres

Réseaux de neurones

Adaptation

Recherche d'Information

Neural networks

Adaptation

Information Retrieval

Résumé

Les approches neuronales pour la recherche d'information (RI) ont connu une évolution rapide ces dernières années et rivalisent à l'heure actuelle avec les approches probabilistes/statistiques employées jusqu'à alors. Les modèles neuronaux nécessitent toutefois de grandes quantités de données pour être performants, et leur adaptation (i.e. ”Zero-Shot Learning”) à des données d'une nature et/ou language différentes n'est pas immédiate. Dans le contexte de Sinequa, cette adaptabilité est cruciale. L'objectif de cette thèse est de proposer des méthodes permettant d'utiliser des modèles neuronaux sur de nouvelles collections de documents sans apprentissage, et de permettre d'affiner ces modèles dans le temps en utilisant des signaux faibles d'utilisateurs (clics).

Neural models for Information Retrieval (IR) have rapidly evolved during the last few years and are now challenging the more established statistical/semantic methods. Nonetheless, neural models require large quantities of data in order to be effective and their adaptation to data (i.e. ''Zero-Shot Learning'') from a different domain/language isn't direct. For Sinequa, this adaptability is key. The objective of this project is to propose methods leveraging neural models on new collection of documents, without any prior learning, and to continuously finetune these models using weak signals from users such as clicks.